一種改進的航空遙感影像陰影自動檢測方法

位明露，詹總謙

(武漢大學測繪學院，湖北 武漢 430079)

?

一種改進的航空遙感影像陰影自動檢測方法

位明露，詹總謙

(武漢大學測繪學院，湖北 武漢 430079)

摘要：針對航空遙感影像陰影檢測中與陰影具有相似特性的綠地、亮度較暗的非陰影區域和亮度較高的陰影區域容易出現錯檢、漏檢的問題，結合HSV變換和區域生長原理，提出了一種改進的陰影檢測方法。首先在HSV色彩空間通過圖像增強構建了一種新的陰影指數，并引入了雙閾值法，剔除了植被和亮度較暗的非陰影區域的影響；接著通過區域生長得到了包含較亮陰影的完整陰影區域。經過對比試驗表明，該方法能夠有效地提取較亮陰影，對綠地和較暗的非陰影區具有較好的區分能力，可以有效提高檢測精度。

關鍵詞：陰影指數；陰影檢測；HSV變換；區域生長；伽馬變換

航空遙感影像陰影檢測對影像解譯、地物識別、邊緣提取和影像配準等具有重大意義。目前，國內外遙感影像陰影檢測方法主要包括基于模型的方法[1]和基于陰影性質的方法兩大類?；谀Ｐ偷姆椒ㄒ罁趽跷矬w的幾何形狀、DSM、太陽入射角和傳感器等參數，具有較大局限性?；陉幱靶再|的方法主要依據陰影區域與非陰影區域的差別提取陰影，首先由Jiang等根據陰影區域的亮度比非陰影區域低的性質提出[2]。Funka等提出一種根據光譜性質檢測陰影的算法[3]；Highnam等提出基于直方圖閾值的陰影檢測算法[4]；Elemadmia等提出基于同態濾波的陰影檢測算法[5]；Salvador等提出基于色彩不變性的陰影檢測算法[6]。王樹根等提出基于整體變分模型的影像檢測算法[7]；楊俊等提出一種S和I分量歸一化差值與I分量雙閾值檢測陰影的算法[8]；夏懷英等提出混合灰度共生矩陣能量、熵、對比度和逆差矩4種統計特征量的混合模型陰影檢測方法[9]；方菊芹等提出結合局部分類水平集與顏色特征的陰影檢測方法[10]；劉輝提出基于主成分變換和HIS模型的陰影檢測方法[11]；趙顯富等將HSV空間檢測結果與C1C2C3空間的C3分量和RGB空間的B分量雙閾值檢測結果進行與運算達到較好的陰影檢測效果[12]。

上述方法在特定領域均得到了很好的應用，但是由于陰影成像機理的復雜性及陰影紋理的復雜性，尚無一種通用的檢測方法適用于所有影像。特別是對亮度較高的陰影，以及與陰影具有相似特性的綠地、亮度較暗的非陰影區域，易出現錯檢或漏檢，檢測精度較低。針對這一問題，本文在HSV色彩空間通過圖像增強構建一種新的陰影指數，并引入雙閾值法，剔除植被和亮度較暗的非陰影區域的影響；同時，通過區域生長得到包含亮陰影的完整陰影區域，有效提高了檢測精度。

一、陰影檢測模型構建

與非陰影區域相比，陰影區域具有亮度值更低、飽和度更高、色調值更大[13]的特點。這些特點體現在影像的HSV色彩空間，因而將原始影像經過HSV變換由RGB轉換到HSV空間。

1. 圖像增強

影像陰影區域與非陰影區域在HSV空間具備亮度、飽和度和色調差異，為凸顯這些差異，有必要對H、S、V分量進行對比度增強處理。伽馬變換在對比度操作中具有重大作用。其變換函數[14]為

g=cfγ

(1)

式中，c、γ為正常數(一般取c=1)；f為輸入灰度值；g為輸出灰度值。γ>1時，該變換將較寬范圍的暗色輸入值映射為較窄范圍的輸出值，較窄范圍的高灰度級輸入值映射為較寬范圍的輸出值；γ<1時，與之相反；γ=1時，式(1)簡化成恒等變換。

2. 陰影檢測模型

結合高飽和度特征S分量和低亮度特征V分量，構建陰影指數為

(2)

經過伽馬變換后，S分量和V分量的對比度均得到增強，S分量中陰影區域的飽和度相比非陰影區域變得更高，V分量中陰影區域的亮度相比非陰影區域變得更低，使得陰影指數SI具有更高的敏感度。

同樣對高色調特征H分量按式(1)進行伽馬變換(本文選取γ1=γ2=γ3=1.1)得到式(3)，其中fH和gH分別為H分量在伽馬變換前后的灰度值。

(3)

理論分析和大量試驗表明，陰影指數SI能有效區分所有暗陰影和較亮的陰影，但包含部分較暗的非陰影區和植被；gH能有效區分絕大部分暗陰影和較暗的非陰影區、植被，但包含較亮的陰影和部分其他非陰影區。將兩者結果進行與運算即可得到剔除植被和較暗非陰影區的絕大部分陰影(不包含較亮的陰影)。因而，采用雙閾值法按式(4)的組合方式能得到較理想的陰影檢測結果為

(4)

式中，SI(i,j)、gH(i,j)分別為像素(i，j)對應的陰影指數和H分量伽馬變換值；T_SI、T_gH分別為陰影指數和H分量伽馬變換值的閾值。

二、區域生長

1. 區域生長原理

種子區域生長(SRG)是一種圖像分割方法[15]，由初始種子點集A1,A2,…,An(Ai(i=1,2,…,n)可為單個或多個像素)擴散開來，每一步生長納入一個像素至上述集合?？紤]Ai集合經m步生長，T表示所有尚未分配的像素(至少與種子集合的一邊相鄰)

(5)

(6)

式中，g(x)表示像素x的灰度值。當N(x)滿足兩個或兩個以上Ai時，取δ(x)最小值對應的Ai。同時，可以按式(7)定義邊界像素集合B，令z∈T，并添加至Ai(z)。

(7)

此時第m+1步生長結束。不斷重復上述過程直至所有像素得到分配。整個過程起始于每個種子集合Ai，按式(6)和式(7)的迭代終止條件結束。

由于陰影邊界的復雜性，且考慮陰影本身亮度存在的不一致性，本文選取灰度和梯度兩個檢測量為生長終止條件?；叶认拗茥l件如式(6)，梯度采用sobel算子[14]

(8)

2. 陰影檢測流程

不同于其他陰影檢測方法，本文根據構建的陰影指數提取陰影后，利用區域生長對自動識別的陰影種子點進行擴充，而不是簡單的形態學處理。區域生長結合了陰影自身的灰度和紋理特性，能有理有據地識別陰影，尤其對陰影邊界和亮度較高的陰影具有更好的效果。具體檢測流程如圖1所示。

圖1　陰影檢測流程

1) 將影像從RGB色彩空間轉換到HSV色彩空間。

2) 分別對H、S、V分量按式(1)進行伽馬變換，并利用S、V按式(2)構建陰影指數SI。

3) 根據式(4)采用雙閾值法提取初步的陰影Sd，并進行標記。

4) 自動搜索Sd中大于一定面積的區域，以其中心的若干像素為種子區域，以式(6)和式(8)中灰度和梯度為迭代限制條件進行區域生長，得到最終的陰影區域Sd′。

三、試驗結果與分析

本文采用上述方法對多幅具有不同程度陰影的航空遙感影像進行試驗，如圖 2所示。測試平臺為Intel(R) Core(TM) i7-3770 3.4 GHz，4.0 GB內存，Windows 7操作系統。為便于觀察，陰影檢測結果用白色標記，且與文獻[12]使用HSV空間和雙閾值的方法進行對比分析(為增強對比，本文對陰影結果未采用形態學處理)如圖 3所示。

圖2　原始影像

圖3　陰影檢測效果

圖 2(a)—圖2(c)分別代表大面積綠地、包含亮度較大的陰影(圖(b)上部分白色道路)和密集建筑物的原始影像。圖 3顯示了對圖 2中3幅原始影像分別進行陰影檢測的結果。其中，(a1)、(b1)、(c1)為文獻[12]中方法所得結果；(a2)、(b2)、(c2)為本文所構建的陰影指數SI與H分量雙閾值所得結果；(a3)、(b3)、(c3)表示對雙閾值結果進行區域生長得到的最終檢測結果。

對比分析(a1)、(a2)和(a3)發現，兩種方法都能正確檢測到絕大部分建筑陰影和綠地陰影。但文獻[12]存在部分錯檢和漏檢現象，尤其是綠地陰影噪聲較多，建筑物陰影提取不完全。本文的雙閾值法能更有效地檢測綠地，但是存在少許檢測不完全的現象，右上角的大片植被和右下方的建筑物陰影比較稀疏，不符合實際陰影狀況。(a3)顯示的區域生長結果較好地擴充了陰影，達到了較為理想的效果。

(b1)、(b2)和(b3)顯示的結果表明，文獻[12]對亮度較高的陰影(最上部分白色道路)不具備辨別能力，且存在錯檢(中心綠地)和漏檢現象(右下角建筑物)。本文雙閾值法較好地解決了綠地錯檢和建筑物漏檢問題，區域生長完善了檢測不完全的陰影區域((b3)最上部分白色道路得到檢測)，得到了較理想的檢測結果。

對包含密集建筑物的影像，(c1)基本檢測到所有建筑物陰影，但錯誤地提取了綠地。本文方法所得(c2)、(c3)不僅較完整地提取了復雜建筑物的陰影，而且剔除了綠地的影響。

為了更加客觀地分析結果，采用文獻[16]中提出的正確檢測率DR和漏檢率FR兩個指標對檢測結果進行定量分析。指標定義為

(9)

式中，TN表示正確識別的陰影像素數；FN表示非陰影區域誤識別為陰影區域的像素數；FS表示漏檢的陰影區域像素數。

統計陰影檢測數據證實了本文采用的雙閾值和區域生長方法相比文獻[12]中方法具有更高的檢測精度，統計結果見表 1。

表1　陰影檢測結果統計數據　(%)

四、結束語

本文根據陰影的特性選用HSV空間分量構建陰影指數，同時引入圖像增強提升各分量的對比度，使陰影指數具有較高的敏感度，采用雙閾值法提高了檢測精度。區域生長算法對陰影區域進行迭代生長，進一步完善了陰影檢測結果。試驗結果表明，本文方法能夠有效剔除綠地影響，對較亮的陰影區和較暗的非陰影區均有較好的區分能力。本文采用自動搜索大于一定面積的初始陰影區域中心為種子點，自動化程度較高。需要說明的是，區域生長的結果依賴于初始種子點的選取。同時，由于雙閾值法設置了陰影指數SI和H分量的閾值，區域生長設定了灰度和梯度兩個檢測量及其相應的閾值，閾值的選取需要依據影像本身的特性基于統計求取，其過程不夠簡便，因而閾值的快速自動獲取是下一步的研究內容。

參考文獻：

[1]FINLAYSON G D，HORDLEY S D，DREW M S. Removing Shadows from Images[J].Lecture Notes in Computer Science,2002,2535：129-132.

[2]JIANG C，WARD M O. Shadow Identification[C]∥ Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Champaign:IEEE,1992.

[3]FUNKA-LEA G，BAJSCY R. Combining Color and Geometry for the Active, Visual Recognition of Shadows[C]∥ Proceedings of Fifth International Conference on Computer Vision.Cambridge:IEEE,1995.

[4]HIGHNAM R，BRADY M. Model-based Image Enhancement of Far Infrared Images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(4)：410-415.

[5]ETEMADNIA H，ALSHARIF M R. Automatic Image Shadow Identification Using LPF in Homomorphic Processing System[C]∥Proceedings of VII Digital Image Computing:Techniques and Applications.Sydney: Committee of DICTA，2003.

[6]SALVADOR E, CAVALLARO A，EBRAHIMI T.Cast Shadow Segmentation Using Invariant Color Features[J]. Computer Vision and Image Understanding, 2004,95(2)：238-259.

[7]王樹根,王軍利,王愛萍.基于整體變分模型的影像陰影檢測算法研究[J].武漢大學學報(信息科學版)，2006,31 (8)：663-666.

[8]楊俊，趙忠明，楊鍵.一種高分辨率遙感影像陰影去除方法[J].武漢大學學報(信息科學版)，2008，33(1)：20-33.

[9]夏懷英，郭平.基于統計混合模型的遙感影像陰影檢測[J].遙感學報,2011,15(4)：132-145.

[10]方菊芹，陳帆，和紅杰，等.結合局部分類水平集與顏色特征的遙感影像陰影檢測[J]. 自動化學報,2014,40(6)：1156-1165.

[11]劉輝.基于改進陰影指數的福州市主城區建筑容積率提取[J]. 武漢大學學報(信息科學版),2014,39(10)：1241-1247.

[12]趙顯富，胡曉雯，趙軒. 一種基于彩色模型的遙感影像陰影檢測方法[J].測繪通報,2014(5)：20-22.

[13]HUANG J F, XIE W X, TANG L. Detection and Compensation for Shadows in Colored Urban Aerial Images[J].The 5th World Congress on Intelligent Control and Automation,2004,4：3098-3100.

[14]岡薩雷斯.數字圖像處理[M].3版.北京：電子工業出版社,2013.

[15]ADAMS R, BISCHOF L. Seeded Region Growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6)：641-647.

[16]MARTEL B N，SACCHARINE A. Moving Cast Shadow Detection from a Gaussian Mixture Shadow Model[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,2：643-648.

An Improved Method of Automatic Shadow Detection for AerialRemoteSensingImages

WEI Minglu, ZHAN Zongqian

收稿日期：2015-07-03

基金項目：國家科技支撐計劃(2012BAJ23B03)；國家自然科學基金(41101418；41071292)

作者簡介：位明露(1991—)，女，碩士，研究方向為攝影測量與計算機視覺。E-mail：minglulwei@whu.edn.cn

中圖分類號：P23

文獻標識碼：B

文章編號：0494-0911(2016)06-0014-04

引文格式： 位明露，詹總謙. 一種改進的航空遙感影像陰影自動檢測方法[J].測繪通報，2016(6)：14-17.DOI:10.13474/j.cnki.11-2246.2016.0180.